Un sistema llamado exploit_agent generaba y ejecutaba exploits tras comparar el código de aplicaciones web antes y después de sus parches, sin intervención humana. Google Threat Intelligence Group (GTIG) afirma que es la primera vez que detecta a atacantes usando marcos de modelos de lenguaje para automatizar por completo la búsqueda y explotación de vulnerabilidades.
GTIG encontró el marco en un servidor de pruebas expuesto a internet. Estaba conectado a varios modelos de lenguaje, tanto modelos avanzados como modelos alojados localmente, y configurado para analizar de forma continua software web popular. El proceso buscaba diferencias entre el código anterior y posterior a una actualización de seguridad, examinaba posibles fallos, redactaba un exploit y lo ejecutaba automáticamente.
El hallazgo forma parte del rastreador trimestral de amenazas de IA de Google, elaborado junto con Mandiant y publicado el 16 de noviembre de 2026. En el trimestre anterior, GTIG había documentado experimentos y automatización parcial, pero no había observado estos flujos autónomos desplegados contra objetivos reales. Esa situación cambió en el último trimestre.
“In the past quarter, GTIG identified threat actors using LLM frameworks to fully automate vulnerability discovery and exploitation without a human in the loop for the first time.”
— Google Threat Intelligence Group (GTIG)
Un servidor expuesto con datos de las víctimas
El servidor no contenía solo el marco de explotación: también almacenaba datos extraídos de organizaciones atacadas y varios scripts posteriores a la intrusión. Estos permitían hacer reconocimiento dentro de las redes, probar contraseñas por fuerza bruta, instalar webshells y borrar las que hubieran dejado otros atacantes.
La telemetría de las víctimas guardada allí sugiere que el operador se interesaba especialmente por sitios franceses de medios, entretenimiento y educación. La configuración incluía comentarios en ruso sobre las claves API de los modelos. Uno indicaba que debían introducirse en el archivo de configuración y no en el chat.
The Register describió al operador como presuntamente rusoparlante; el rastreador de GTIG documenta el uso de herramientas y comentarios en ruso. El servidor expuesto, por su parte, mostraba una operación orientada a convertir el análisis de actualizaciones en una cadena automática de explotación y actividades posteriores.
Por qué los parches sirven para buscar fallos
El método se apoya en vulnerabilidades n-day, ya corregidas mediante un parche. Una vez publicada la actualización, comparar las versiones del software puede revelar qué parte del código cambió y qué debilidad intentaba corregir. GTIG considera que ese material acotado puede resultar más eficiente para los atacantes que buscar una vulnerabilidad zero-day, cuyo análisis exige rastrear un conjunto más amplio de posibilidades.
Los agentes pueden revisar versiones del código, incluidas versiones preliminares o de prueba, junto con notas de publicación, investigaciones de seguridad y pruebas de concepto. Automatizar ese trabajo reduce el tiempo entre la divulgación de un fallo y la aparición de un exploit funcional, estrechando el margen disponible para que las organizaciones apliquen el parche.
El informe de Google también recoge un efecto menos directo: la circulación de pruebas de concepto que no funcionan. Según GTIG, la menor barrera de entrada ha impulsado la publicación de exploits que se presentan como operativos, pero que no lo son. Los equipos defensivos deben comprobar cuáles sirven y cuáles son falsos indicios, mientras vigilan si hay explotación real.

PaperCut muestra la velocidad de la explotación
Un caso citado por Google afecta a dos vulnerabilidades de los servidores de gestión de impresión PaperCut, explotadas como zero-days a finales de agosto de 2026. La primera, CVE-2026-81578, permitía eludir la autenticación; la segunda, CVE-2026-82078, estaba relacionada con la carga dinámica insegura de clases. Encadenadas, podían permitir ejecución remota de código sin autenticación.
| Vulnerabilidad | Fallo descrito por Google | Contexto |
|---|---|---|
| CVE-2026-81578 | Elusión de autenticación | Encadenada con CVE-2026-82078 en servidores PaperCut |
| CVE-2026-82078 | Carga dinámica insegura de clases | La cadena permitía ejecución remota de código sin autenticación |
Investigadores de seguridad y la empresa Huntress lograron generar exploits funcionales con modelos de lenguaje en menos de un día desde la divulgación, según GTIG. GreyNoise describió una campaña cuatro días después de la divulgación: el atacante habría usado modelos para preparar y probar exploits, confeccionar una lista de objetivos y lanzar una operación contra cientos de organizaciones.
En esa campaña, un acceso inicial se convirtió en permisos de administrador de dominio en cuestión de minutos, según GreyNoise. El ejemplo ilustra el ritmo que pueden alcanzar estas técnicas; no demuestra que todos los ataques automatizados tengan el mismo alcance o resultado.
De los prompts a los marcos multiagente
El caso de exploit_agent se inscribe en una transición más amplia: los atacantes pasan de pedir ayuda a un modelo mediante instrucciones manuales a desplegar marcos multiagente para intrusiones. GTIG y Mandiant observaron varios actores usando herramientas de código abierto para automatizar fases concretas de ataques en curso.
Entre los marcos citados figuran ARTEX, CAIRN, CyberStrikeAI y PentAGI. Google también detectó experimentación con HexStrike AI. Estas herramientas pueden buscar vulnerabilidades de baja complejidad, generar cargas útiles para un uso concreto y ajustar sus tácticas según la respuesta que reciben durante la ejecución.
GTIG observó CAIRN en actividad de intrusión contra objetivos que incluían el sector aeroespacial de Estados Unidos. El marco organiza agentes especializados mediante un ciclo de observación, orientación, decisión y acción, con una pizarra compartida. En otro caso, entre finales de agosto y principios de octubre de 2026, un actor utilizó una plataforma personalizada basada en PentAGI para hacer reconocimiento sistemático y buscar vulnerabilidades en organizaciones de Asia.
Google también registró pruebas de CyberStrikeAI y HexStrike AI, además de indicios de que un grupo con vínculos sospechados con China desarrollaba su propio marco automatizado para posibles operaciones de ciberespionaje. Entre las herramientas relacionadas, el informe menciona ZeroHollow, un servicio de inferencia usado para desarrollo de exploits y encaminamiento de modelos, y Agent Zero, un marco de agentes de código abierto con ejecución autónoma de código y generación dinámica de herramientas.
Más velocidad, pero también rastros detectables
Los marcos pueden encadenar pasos y acelerar operaciones, pero GTIG considera que por ahora cambian sigilo por velocidad. La ejecución autónoma sin restricciones produce tráfico forense, puede usar identificadores reconocibles y deja rastros distintivos en el código. Esos indicios pueden ayudar a detectar y contener una intrusión, aunque Google advierte que las herramientas siguen pudiendo alcanzar sus objetivos.
La previsión de GTIG es que los actores sigan adoptando estos sistemas por su bajo coste de entrada, la facilidad para incorporar nuevos exploits y su capacidad de escalar. A medida que evolucionen los marcos y los modelos, Google espera menos intervención humana y operaciones más sigilosas y sofisticadas.
BleepingComputer recoge una estimación más concreta de los investigadores: en los tres meses siguientes podrían aparecer ataques poco sofisticados con poca o ninguna interacción humana y basados principalmente en varios agentes de IA. Los ataques sofisticados y totalmente autónomos podrían surgir, según esa proyección, en los seis meses siguientes.
El abuso de IA va más allá de los exploits
El rastreador de GTIG describe otros usos operativos de modelos en actividades delictivas y de espionaje. Uno es el LLMjacking: actores roban credenciales de modelos y recursos de computación en la nube de entornos empresariales comprometidos para consumirlos o revender el acceso mediante servicios proxy clandestinos, conocidos como LLM Mixers.
Un informe de Google citado por The Hacker News menciona servicios como APIMart y JetNight. Unite.AI añade que Mandiant respondió durante 2026 a varios incidentes de LLMjacking: algunos cargos fraudulentos de un solo día superaron los 100.000 dólares, y el abuso acumulado más grave llegó a un millón de dólares antes de ser remediado. En mercados clandestinos en ruso y chino, GTIG observó precios anunciados de entre 0,10 y 25 dólares por millón de tokens, según el modelo, el servicio y las credenciales ofrecidas.
Google también describe el uso de modelos en operaciones de influencia, desde la creación de contenidos y perfiles localizados hasta la distribución automatizada en varias plataformas. En paralelo, el informe recoge casos de espionaje y abuso de herramientas de desarrollo.
Para responder a estas amenazas, Google Security Operations desplegó reglas de comportamiento y volumen para detectar ARTEX. Mandiant publicó una guía de endurecimiento y un marco de defensa arquitectónica dirigidos a las ventajas de velocidad y escala de las herramientas ofensivas con modelos de lenguaje. El próximo reto que plantea GTIG es si los rastros que hoy delatan la ejecución autónoma resistirán a marcos y modelos más sofisticados.
Fuentes: theregister, Google Cloud Blog, BleepingComputer, The Hacker News, SiliconANGLE, Unite.AI